Matlab基于FCM的列车故障智能诊断系统设计(2)
再加上民用航空的普及，使得铁路运输慢慢走向下坡，一度成为世人眼中的夕阳产业。 1964
年日本的新干线正式开通运营，成为史上第一个实现“营运速率”高于时速 200公里的铁
路系统，是世界上首条高速铁路。此后，经过半个多世纪的发展，高速铁路以其高效、节
能、环保、快捷、舒适、安全和准时等优势，在世界范围内掀起了建设和发展高速铁路的
热潮。“与风竞速，贴地飞行”，安全就成为了比速度而言更为根本的追求。2011年“7.23
甬温线特别重大铁路交通事故”暴露了我国高速铁路运营中的安全隐患，给我国快速发展
的高速铁路事业敲响了警钟。确保高速铁路的系统安全性和可持续性是我国高速铁路面临
的重大挑战。
安全是铁路永恒的主题[1]
，为避免酿成惨祸，必须对机车车辆的关键部件进行状态检
测与故障诊断，以保证安全、可靠、有效和经济的完成旅客和货物的运输任务。滚动轴承
和作为铁路运输车辆的重要组成部分，它的运行状态是否正常直接影响到车辆的运行安
全。据统计，由于列车轮对轴承发生故障而导致的车辆事故，占整个车辆事故的 70％左
右[2]
，所以必须对列车的滚动轴承进行特征提取和故障诊断，来保证铁路和列车的安全性。
与此同时，在对列车发生故障时做出预防及智能诊断的过程中，数据也发挥了重要的
作用。聚类分析是数据挖掘与知识发现的核心技术之一。模糊 C-均值聚类算法（Fuzzy
C-Means，简称 FCM）是一种基于原型的聚类算法，具有简单、高效、数据适应性强等
特点，是聚类分析中使用最为频繁的算法和研究热点[3]
。模糊聚类分析是应用模糊数学方
法进行聚类分析, 不需要训练样本, 可以直接通过机器学习达到自动分类的目的。
本课题的价值和出发点是对列车关键部件进行状态检测与故障诊断， 去分析列车关键
部件常见的故障类型和特征。掌握列车常用特诊提取方法，并且运用数据库技术, 通过原
始数据积累和历史数据分析, 增加数据的可靠性、准确性, 及时发现潜在的事故征兆和事
故苗头，保证铁路安全性。重要的是，采用模糊 C-均值聚类分析方法设计的数据分析模
块, 可以较好地筛除噪声数据, 提高了数据处理速度, 而且增强了结论的可信度，在现有
铁路技术条件下, 可以为客运专线、高速机车提供一种新型的实时检测系统。另外，轮对
轴承都是车辆轮对的主要部件，也是故障多发部位，轴承好坏直接影响到车辆的运行安全
性[4]
。基于模糊 C-均值聚类算法，去研究、设计出完善的列车故障智能故障诊断系统，
可以大大降低事故的发生，减少恶性事故给国家财产和人民生命安全造成的损失，意义十
分重大。
1.2 国内外研究概况
1.2.1 列车故障诊断技术
美国铁路部自吹冰十年代就开发随车检测装置技术。吹冰十年代初，BelgiOnBailroad 提
出了对全频谱的机械振动信号检测货车车辆滚动轴承的故障。1984 年加拿大国家科研委
员会的Paul．Y．Kim 等人对冲击脉冲法、声强分析技术、冲击能量法、峰值因子、自动
振动检测仪、温度监测技术、峭度和谱分析在车辆故障诊断中的运用了试验研究，指出冲
击脉冲法对故障具有报警能力，但不抗干扰；声强分析技术具有较好的诊断能力；冲击能
量、峭度和峰值因子等都缺乏早期报警能力。当故障较严重时，峭度和峰值因子失去诊断
上一篇：MES系统文档图纸分发模块开发